...
| 字段名 | 数据类型 | 字段解释 |
|---|---|---|
| 客户id | string | 客户唯一身份标识 |
| 卡等级 | int | 客户拥有卡的级别，总共分为[1,2,3,4]四个级别 |
| 是否为代发客户 | int | 1表示为代发客户，0表示为非代发客户 |
| 月均代发金额 | int | 代发客户的月代发金额平均值 |
| 最多代发金额 | int | 代发客户代发金额的最大值 |
| 月初AUM | int | 客户月初的资产管理规模AUM值 |
| 月均AUM | int | 客户资产管理规模AUM的月均值 |
| 是否流失 | int | 1表示该客户流失，0表示该客户未流失。 |
1.新建实验
数据挖掘的默认界面为‘实验管理’界面，该界面可以进行‘新建实验’：
新建方式1：在文件夹右键菜单‘新建’中单击‘实验’；
新建方式2：单击‘新建实验’。
2.选择数据源
根据原始数据存放的方式在选择数据源节点，将数据源节点拖拽至画布区域，并在参数面板上进行数据源信息的设置。
3.模型搭建
特征选择：将‘卡等级’、‘是否为代发客户’、‘月均代发金额’、‘最多代发金额’、‘月初AUM’、‘月均AUM’做为特征列，而‘是否流失’做为标签列；
...
随机森林：本研究用分类算法节点中选择 随机森林算法 进行预测客户流失的模型构建。
4.训练&预测
训练：训练节点的输入分为两部分，左边为算法节点，右边为训练数据集，模型通过对训练集数据中特征列的数据进行学习，并根据标签列的数据，确认具有何种特征的数据可能是流失客户，进而使模型获得能够识别流失客户的能力；
预测：预测节点的输入分为两部分，左边为训练好的模型，右边为测试数据集，模型运用识别流失客户的能力，对测试集中的特征列数据进行处理，并获得是否为流失客户的标记，这里的标记是模型给出的结论，并非测试集中标签列的数据。
5.结果评估
评估：通过对比模型预测结果与测试集数据之间的差异，可以评价模型的效果。
...
